Fitz-enzin ja Mattoxin (2014) mukaan analytiikka mielletään usein vain tilas-toiksi tai tilastotieteeksi. Tilastoilla onkin analytiikassa suuri merkitys, mutta analytiikka on ennemminkin tieteen ja filosofian kohtaamismuoto. Filosofia opettaa, miten katsoa maailmaa ja tiede opettaa, kuinka tehdä asioita. Jos ei ymmärretä ongelman elementtien vuorovaikutuksia ja niiden välisiä suhteita, ei tilastoilla tehdä mitään. Analytiikka on ensiksi päänsisäinen viitekehys, logisti-nen regressio ja vasta sitten tilastollilogisti-nen operaatio. LaValle, Lesse, Shockley, Hopkins ja Kruschwitz (2011) löysivät tutkimuksessaan, että parhaiten menes-tyvät organisaatiot käyttävät toiminnassaan analytiikkaa viisi kertaa enemmän kuin heikommin menestyvät yritykset. Tutkimuksessa havaittiin myös laajalle levinnyt uskomus, että analytiikka tarjoaa arvoa. Analytiikka itsessään ei kui-tenkaan tuota arvoa, mikäli sitä ei ole linkitetty liiketoimintastrategiaan, se ei ole helppolukuista loppukäyttäjälle ja sitä ei ole sulautettu organisaation pro-sesseihin niin, että tarvittavat toimet voidaan tehdä oikeaan aikaan.
Myös Rasmussen ja Ulrich (2015) ovat todenneet, että analytiikan teke-minen vain analytiikan vuoksi ei usein tuota paljoa arvoa. Liian usein analy-tiikkaprojektit alkavat saatavilla olevasta datasta, kun käytännön arvon näkö-kulmasta hyödyllisintä olisi jäsentää keskeiset liiketoimintahaasteet, joiden rat-kaisemiseksi haetaan vastauksia. Henkilöstöanalytiikan kehittäminen edellyttää akateemista ajattelutapaa huomioiden liiketoimintakontekstin. Näiden kahden ääripään lähestymistavan eroja Rasmussen ja Ulrich (2015) kuvasivat seuraavin esimerkein. Tutkijat mielellään luovat olettamuksia, jotka mahdollistavat nolla-hypoteesien testaamisen mahdollistaen teorian täsmentämisen. Liiketoiminta-johtajat puolestaan kohtaavat moniulotteisia ongelmia, joiden ratkominen usein edellyttää kokonaisvaltaisia ratkaisuja. Tutkijat pitävät täsmällisyydestä, kun taas liiketoiminnalle riittävän hyvät käytännön ratkaisut ovat usein hyödylli-sempiä. Tutkijat lähtevät liikkeelle teoriasta, liiketoimintajohtajat aloittavat oi-keiden haasteiden tunnistamisesta. Tutkijat mielellään reflektoivat, liiketoimin-tajohtajien on pakko toimia.
Mayer-Schönbergerin ja Cukierin (2014) mukaan big datan aikakausi tu-lee osin kumoamaan vuosisatoja vanhat käytänteet ja haastamaan perinteiset tavat tehdä päätöksiä sekä jäsentää todellisuutta. Ennen big datan aikakautta meitä ohjasivat analyysit, jotka usein rajoittuivat muutamien ennalta tarkoin laadittujen hypoteesien todentamiseen. Näitä hypoteeseja sitten yritettiin vali-doida keräämällä ja analysoimalla dataa. Big data -maailmassa lähestymistapa voi olla päinvastainen, jolloin massiivisista datamääristä voidaan matemaattisia malleja hyödyntämällä tunnistaa keskinäisiä riippuvuussuhteita, joiden emme aiemmin uskoneet edes olevan olemassa. Hypoteesilähtöinen tutkimusten ja analyysien teko ei siis enää ole yhtä välttämätöntä verrattuna aikakauteen, jol-loin datan saatavuus oli rajoittunutta ja tutkimukset tuli tarkoin rajata ennalta määrättyjen hypoteesien todentamiseen tai kumoamiseen.
Big datan aikakaudella on tehtävä myönnytyksiä pakkomielteisen kausa-liteetin todentamisen kustannuksella, jotta voidaan tunnistaa yksinkertaisia korrelaatioita ja tehdä niihin liittyviä oivalluksia. Mayer-Schönberger ja Cukier (2014) huomauttavat, että itse asiassa filosofit ovat vuosisatoja käyneet debattia siitä, onko koko kausaliteettia edes olemassa. Ihmisten vapaata tahtoa ei nimit-täin voi olla olemassa, mikäli kaikki olisi seurausta jostain. Toisaalta tutkimuk-set (Leslie & Keeble 1987) ovat antaneet viitteitä siitä, että kausaalisuuden etsi-minen olisi tajuntaamme sisäänrakennettu ominaisuus, jonka myötä olemme taipuvaisia olettamaan kausaalisuuksien olemassaoloa, vaikkei sitä ole toden-nettu. Kun havaitsemme kahden asian tapahtuvat peräjälkeen, tajuntamme mielellään jäsentää nämä tapahtumat kausaalisiksi. Koska mielemme ovat tot-tuneet toimimaan tietoköyhässä ympäristössä, on mielellämme houkutus tehdä johtopäätöksiä rajoittuneisiin tietoihin perustuen. Jatkossa big data -korrelaatiot tulevat rutiininomaisesti todentamaan tai kumoamaan intuitiivisen ajatte-luumme perustuvia havaintoja ja ajattelumalleja (Mayer-Schönberger & Cukier 2014.)
Big data analytiikkaa harjoittaessa emme välttämättä aina tiedä, miksi jollain asioilla on keskinäinen riippuvuussuhde, mutta sen sijaan se auttaa kiin-nittämään huomiomme asioiden välisiin yhteyksiin ja näiden todennäköisyyk-siin. Tämän seurauksena esimerkiksi tietyt sijoitusrahastot jäsentävät Twitterin viestiliikennettä ennustaakseen osakemarkkinoiden kehitystä sekä Amazonin ja Netflixin kaltaiset yritykset perustavat asiakkaille suunnatut tuotesuosituksen-sa käyttäjien vuorovaikutukseen näiden Internet-sivustoilla. (Mayer-Schönberger & Cukier 2014.)
Mayer-Schönberger ja Cukier (2014) korostavat myös, että ennen big da-tan aikakautta, osin johtuen laskentakapasiteetin rajoituksista, suuri osa suurten datamäärien korrelaatioanalyyseistä keskittyi etsimään vain yksinkertaisia line-aarisia yhteyksiä eri muuttujien välillä. Todellisuudessa eri tekijöiden väliset suhteet ovat kuitenkin huomattavasti monimutkaisempia ja tätä varten on alet-tu kehittää entistä monipuolisempia analyysimetodeja jäsentämään todellisuut-ta. Monipuoliset analyysimetodit ja valtavat määrät eri lähteistä koottua dataa mahdollistavat ennennäkemättömien oivallusten löytämisen ja hyödyllisten ennustavien mallien luomisen. Nämä ei-kausaaliset löydökset auttavat meitä jäsentämään maailmaa ensisijaisesti kysymällä mitä-kysymyksiä miksi-kysymysten sijaan.
Kuten aiemmin on mainittu, henkilöstötoiminnon päätöksenteko pohjau-tuu edelleen vahvasti tunteiden, henkilökohtaisten kokemusten tai yrityksessä vallitsevien uskomusten pohjalle. Keino saada päätöksenteosta enemmän data-ja todistusaineistopohdata-jaista, on hyödyntää henkilöstöanalytiikkaa. (Bersin 2013.) henkilöstöanalytiikan lupaus on korvata erilaiset ohimenevät muotihullutukset evidenssi-pohjaisilla aloitteilla, tehdä päätöksenteosta dataan perustuvaa, yh-distää akateeminen maailma ja käytäntö, priorisoida HR-investoinnit vaikutta-vuuden mukaan, tuoda täsmällisyyttä henkilöstötoimintoon ja täydentää henki-löstöammattilaisten intuitiota objektisuudella (Rasmussen & Ulrich 2015.)
Rasmussenin ja Ulrichin (2015) mukaan henkilöstöanalytiikassa määrän si-jasta fokus ratkaisee. Vaikuttavassa henkilöstöanalytiikassa olennaista on
en-nemminkin strateginen liiketoimintafokus kuin satunnaiset big data -mallit henkilöstötoiminnon omasta kapeasta näkökulmasta tarkasteltuna. He uskovat, että todennäköisesti organisaatioiden harjoittama henkilöstöanalytiikka tullaan ottamaan haltuun sellaisten toimintojen kuten rahoituksen, IT:n ja markkinoin-nin toimesta, jotka ovat henkilöstötoimintoa pidemmällä kyvykkyyksissä analy-tiikan suhteen. Tämä mahdollinen kehitys henkilöstöanalyanaly-tiikan hoitamisesta henkilöstötoiminnon ulkopuolella tukee myös tarvetta ottaa tarkasteluun ”ul-koa sisään” -lähestymistapa myös henkilöstöanalytiikan suhteen ja se mahdol-listaa henkilöstöanalytiikan saumattomamman integroinnin olemassa olevaan liiketoiminnan harjoittamaan kattavaan analytiikkaan. Tyypillisesti aidosti uu-sia näkemyksiä saadaan, kun yhdistetään lukuiuu-sia eri muuttujia sekä tarkastel-laan havaintoja eri näkökulmista: esimerkiksi investoijien, asiakkaiden, tekno-logian, henkilöstöpääoman ja turvallisuuden näkökulmista.
I have charts and graphs to back me up. So f*** off. Googlen henkilöstöanalytiikkayk-sikön iskulause. (Derose 2013).
Jokainen uusi Googlen henkilöstöanalytiikkayksikön työntekijä saa tietokonee-seensa liimattavan tarran, jossa huomiota herättävästi muistutetaan perustavan-laatuisesta erosta siinä, miten Google tarkastelee kaikkia henkilöstöä koskevia asioita. Dataan ja analytiikkaan keskittyvänä yrityksenä Google säilyttää uskon-sa datasta uskon-saataviin näkemyksiin myös oman kasvavan organiuskon-saationuskon-sa suori-tuskyvyn ja johtamisen kehittämisessä. Samaan aikaan kun muu maailma on vasta heräämässä analytiikan ja big datan mahdollisuuksiin, on Google jo ehti-nyt vuosia kehittää omaa hienostunutta metodologiaa organisaation suoritus-kyvyn johtamiseksi. Monen organisaation vasta tavoitellessa dataan perustuvia henkilöstöpäätöksiä, Google on käyttöönottanut täsmällisen tieteellisen arvi-oinnin ja tilastolliset menetelmät, joita tavataan normaalisti löytää vain yliopis-tojen tutkimusyksiköistä. Nämä kokeet auttavat Googlea kuvaamaan pieniä mutta merkityksellisiä eroja ihmisten käyttäytymisessä. Tarkoituksena on täy-dentää ihmisten päätöksentekoa, ei korvata sitä kaavoilla. (Derose 2013.)
Googlen henkilöstötoiminnon lähestymistapa projekteihin on sama kuin muissakin Googlen toiminnoissa, sillä projektit alkavat aina kysymyksen asette-lulla. Googlen henkilöstöanalytiikkayksikön asettamat kysymykset ovat vaih-delleet taktisista haasteista, kuten ”Mitä jos pystyisimme nopeuttamaan uuden henkilöstön perehdytykseen vaadittavaa aikaa kuukaudella?” olemassa oloa käsitteleviin ”Mitä jos kaikki insinöörimme kykenisivät saavuttamaan täyden innovointipotentiaalinsa?” aina ilmeisen omituisiin ”Mitä jos Googlella työs-kentely pidentäisi elinajanodotetta vuodella?”. Googlen henkilöstöjohtajan mu-kaan Googlen tulee kyetä mittaamaan ja todentamaan mitkä HR-käytänteet toimivat ja eivät toimi Googlella, sen sijaan että yksinkertaisesti vain tyydyttäi-siin kopioimaan yleisiä parhaita käytäntöjä. Googlen henkilöstöanalytiikkayk-sikössä halutaan yhdessä liiketoimintajohdon kanssa varmistaa, että ratkottavat ongelmat ovat relevantteja, tilastotieteilijät huolehtivat analyysien täsmällisyy-destä ja perusteellisuudesta teknologiasta vastaavien varmistaessa, että ratkai-sut ovat skaalautuvia ja läpinäkyviä. (Derose 2013.)
Rasmussen ja Ulrich (2015) ovat esittäneet myös kritiikkiä henkilöstö-analytiikkaa kohtaan. Vaikka henkilöstöanalytiikka on saanut suurta huomiota viime aikoina, pohjimmiltaan monet henkilöstöanalytiikan osa-alueet eivät ole uusia, sillä erilaiset HR-mittarit, hyötyanalyysit, HR:n tulostaulut, HR:n kannat-tavuuslaskelmat, henkilöstön taloustieteet ja tiedolla johtaminen ovat olleet olemassa jo vuosia ilman, että henkilöstötoiminto on kyennyt tekemään näky-vää muutosta kyvyssään vaikuttaa liiketoimintatuloksiin. Tähän mennessä jul-kaistut todisteet henkilöstöanalytiikan väitetystä arvosta ovat itse asiassa aika vähäisiä ja usein analytiikan puolesta puhuvia todisteita ovat julkaisseet kon-sultointiyritykset, joilla itsellään on kaupallinen intressi henkilöstöanalytiik-kaan liittyen. Vastaavasti myös akateeminen maailma on kiinnostunut aiheesta, sillä heidän työllään on vihdoin mahdollisuus päästä HR-ammattilaisten huo-mion keskipisteeseen. Sen sijaan menestystarinoita liiketoimintavaikutuksista harvemmin kuulee organisaatioilta itseltään; tyypillisesti nämä ovat kertoneet kyvyistä ennustaa vaihtuvuutta, vaikkei vaihtuvuus olisi edes ongelma, tai muita vastaavia kapeasta HR-näkökulmasta toteutettuja projekteja. Rasmussen ja Ulrich (2015) ennustavat, että henkilöstöanalytiikka sen nykymuodossa epä-onnistuu tuomaan lisäarvoa organisaatioille ja uskovat, että vastuu henkilöstö-analytiikan toimeenpanosta siirtyy analytiikassa jo pidemmällä olevien funkti-oiden, kuten taloushallinnon, IT:n ja markkinoinnin, vastuulle ja se tullaan liit-tämään osaksi laajempaa liiketoiminnan analytiikkaa. Yhteistä henkilöstöanaly-tiikalle ja muiden toimintojen toteuttamalle analyhenkilöstöanaly-tiikalle on, että kaikkien tulee kyetä vastaisuudessa ylittämään oman toimintonsa rajat ja omaksua oman toi-minnon kapeiden näkökulmien sijaan ”ulkoa-sisään” lähestymistapa analyy-seissään.
4 TUTKIMUKSEN TOTEUTUS
Tässä luvussa esitellään tutkimuksen toteutus ja aineiston analysointi. Ensiksi luvussa kuvataan empiirisen aineiston keruumenetelmiä. Seuraavaksi esitellään tutkittavat kohdeyritykset sekä käydään läpi kohdeyrityksille laadittuja haastat-telukysymyksiä ja perusteluja kysymyksille. Luvun lopussa esitellään aineiston analysointimenetelmät.